排班方法、服务器及计算机可读存储介质与流程

本发明涉及信息处理
技术领域：
，尤其涉及排班方法、服务器及计算机可读存储介质。
背景技术：
现有排班管理的技术架构大多采用客户端/服务器架构，系统升级较困难，管理流程不够完善，不能满足团队多样性的排班需求，也无法适用不同区域的不同排班要求。另外，排班过程中公平与效率的矛盾越来越突出，员工舒适度越来越成为排班过程中重点考虑的因素，现有的排班方法很难兼顾公平与效率，受突发事件、节假日因素的影响较大，影响员工的工作效率。技术实现要素：有鉴于此，本发明提出一种排班方法、服务器及计算机可读存储介质，可以实现对各地区、各团队进行灵活管理，各团队亦可根据实际需要灵活调整工作安排在排班过程中能满足员工个性化需求，保证排班的公平性，提高了员工的工作效率。首先，为实现上述目的，本发明提出一种服务器，所述服务器包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的排班程序，所述排班程序被所述处理器执行时实现如下步骤：根据预设日期策略设定一时间区间的休息日和工作日；获取历史工作量数据并根据所述历史工作量数据对所述时间区间的工作量进行预测；根据预测得到的工作量及一人力日基准工作量计算需求人力；及根据所述需求人力及预设约束条件在所述设定的工作日内进行排班，并生成排班表；其中，所述预设约束条件包括以下一种条件或者多种条件的组合：班次的时长、总休息天数、连续上班天数、总工时均衡、班次之间的时间间隔、同组人员同班次。可选地，所述获取历史工作量数据并根据所述历史工作量数据对所述时间区间的工作量进行预测的步骤包括：获取所述历史工作量数据并对所述历史工作量数据进行分析，以剔除出异常数据；根据剔除异常数据后的历史工作量数据计算出以月为维度的月规律线；及根据所述月规律线及预设月工作量增比来对所述时间区间的工作量进行预测；其中，所述时间区间的工作量＝(∑月规律线)/月天数数量*月工作量增比。可选地，所述排班程序被所述处理器执行时还实现如下步骤：获取多个历史时间区间的预测工作量与实际工作量，以得到实际工作量矩阵及预测工作量矩阵；将同一时间区间的预测工作量矩阵与实际工作量矩阵进行相减，并对相减运算后得到的多个矩阵求平均值得到一系数调整矩阵；及根据所述系数调整矩阵对所述预测得到的工作量进行修正，以根据修正后的所述预测得到的工作量计算所述需求人力。此外，为实现上述目的，本发明还提供一种排班方法，应用于服务器，所述排班方法包括：根据预设日期策略设定一时间区间的休息日和工作日；获取历史工作量数据并根据所述历史工作量数据对所述时间区间的工作量进行预测；根据预测得到的工作量及一人力日基准工作量计算需求人力；及根据所述需求人力及预设约束条件在所述设定的工作日内进行排班，并生成排班表；其中，所述预设约束条件包括以下一种条件或者多种条件的组合：班次的时长、总休息天数、连续上班天数、总工时均衡、班次之间的时间间隔、同组人员同班次。可选地，所述获取历史工作量数据并根据所述历史工作量数据对所述时间区间的工作量进行预测的步骤包括：获取所述历史工作量数据并对所述历史工作量数据进行分析，以剔除出异常数据；根据剔除异常数据后的历史工作量数据计算出以月为维度的月规律线；及根据所述月规律线及预设月工作量增比来对所述时间区间的工作量进行预测；其中，所述时间区间的工作量＝(∑月规律线)/月天数数量*月工作量增比。可选地，所述根据所预测得到的工作量及人力日基准工作量计算需求人力的步骤包括：根据预测得到的工作量、所述人力日基准工作量及一人力日工作效率计算所述需求人力；其中，所述需求人力＝预测得到的工作量/(人力日基准工作量*人力日工作效率)。可选地，所述排班方法还包括：获取多个历史时间区间的预测工作量与实际工作量，以得到实际工作量矩阵及预测工作量矩阵；将同一时间区间的预测工作量矩阵与实际工作量矩阵进行相减，并对相减运算后得到的多个矩阵求平均值得到一系数调整矩阵；及根据所述系数调整矩阵对所述预测得到的工作量进行修正，以根据修正后的所述预测得到的工作量计算所述需求人力。可选地，所述排班方法还包括：获取多个历史时间区间的员工实际忙闲比及员工预测忙闲比，以得到多个实际忙闲比矩阵及多个预测忙闲比矩阵；将同一时间区间的实际忙闲比矩阵与预测忙闲比矩阵进行相减，并对相减运算后得到的多个矩阵求平均值得到一系数调整矩阵；及根据所述系数调整矩阵对所述预测得到的的工作量进行修正，以根据修正后的所述预测得到的工作量计算所述需求人力。可选地，所述排班方法还包括：根据所述排班表对每一被排班的员工的出勤与工作信息进行记录，以输出排班遵循度报表。进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有排班程序，所述排班程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述排班方法的步骤。相较于现有技术，本发明所提出的排班方法、服务器及计算机可读存储介质，首先，根据预设日期策略设定一时间区间的休息日和工作日；其次，获取历史工作量数据并根据所述历史工作量数据对所述时间区间的工作量进行预测；再者，根据所预测得到的工作量计算需求人力；最后，根据所述需求人力及预设约束条件在所述设定的工作日内进行排班，并生成排班表；其中，所述预设约束条件包括以下一种条件或者多种条件的组合：班次的时长、总休息天数、连续上班天数、总工时均衡、班次之间的时间间隔、同组人员同班次。这样在排班过程中能满足员工个性化需求，保证排班的公平性，提高了员工的工作效率，且排班程序的前端交互可给予员工简洁大方使用感。附图说明图1是本发明服务器一可选的硬件架构的示意图；图2是本发明排班程序第一实施例的程序模块示意图；图3是本发明排班程序第二实施例的程序模块示意图；图4为本发明排班方法第一实施例的实施流程示意图；图5为本发明排班方法第二实施例的实施流程示意图。附图标记：服务器2存储器11处理器12网络接口13排班程序100设定模块101预测模块102计算模块103生成模块104记录模块105本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。参阅图1所示，是本发明服务器2一可选的硬件架构的示意图。本实施例中，所述服务器2可包括，但不仅限于，可通过系统总线相互通信连接存储器11、处理器12、网络接口13。需要指出的是，图1仅示出了具有组件11-13的服务器2，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，所述服务器2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备，该服务器2可以是独立的服务器，也可以是多个服务器所组成的服务器集群。所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述服务器2的内部存储单元，例如该服务器2的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述服务器2的外部存储设备，例如该服务器2上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。当然，所述存储器11还可以既包括所述服务器2的内部存储单元也包括其外部存储设备。本实施例中，所述存储器11通常用于存储安装于所述服务器2的操作系统和各类应用软件，例如排班程序100的程序代码等。此外，所述存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。所述处理器12在一些实施例中可以是中央处理器(centralprocessingunit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述服务器2的总体操作。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行所述排班程序100等。排班程序100的前端交互可以采用browser/server(bs)架构及bootstrap前端展示框架。所述网络接口13可包括无线网络接口或有线网络接口，该网络接口13通常用于在所述服务器2与其他电子设备之间建立通信连接。至此，己经详细介绍了本发明相关设备的硬件结构和功能。下面，将基于上述介绍提出本发明的各个实施例。首先，本发明提出一种排班程序100。参阅图2所示，是本发明排班程序100第一实施例的程序模块图。本实施例中，所述排班程序100包括一系列的存储于存储器11上的计算机程序指令，当该计算机程序指令被处理器12执行时，可以实现本发明各实施例的排班操作。在一些实施例中，基于该计算机程序指令各部分所实现的特定的操作，排班程序100可以被划分为一个或多个模块。例如，在图2中，排班程序100可以被分割成设定模块101、预测模块102、计算模块103及生成模块104。其中：所述设定模块101用于根据预设日期策略设定一时间区间的休息日和工作日。在一实施例中，所述时间区间的长短可以根据实际需要进行设定，例如所述时间区间可以是一个月、二个月、三个月等。不同区域、不同团队可制定有不同的所述预设日期策略。所述预设日期策略中可以设定休息日和工作日，可以根据团队的实际需求通过所述预设日期策略对工作日和休息日进行自由的设定。所述休息日可以是默认的法定休息日和选定休息日。所述选定休息日可以是任意被选定的日期，可由团队在制定所述预设日期策略的时候，根据自身需求自行选定。各团队内部的调休可以被设定成选定休息日。未被设定为休息日的日期，即被作为所述工作日。通过所述预设日期策略可以明确了解哪些日期为所述工作日，哪些日期为所述休息日，并可进行实时调整。所述设定模块101设定的所述时间区间的休息日和工作日均需大于基准休息日天数和工作日天数，从而避免工作日的天数设定太多或者太少。举例而言，若所述时间区间为一个月，对应的基准工作日天数为20天，则所述设定模块101设定的月工作日天数应大于20天。所述预测模块102用于获取历史工作量数据并根据所述历史工作量数据对所述时间区间的工作量进行预测。在一实施例中，所述预测模块102获取历史工作量数据并根据所述历史工作量数据计算出以月为维度的月规律线，并根据所述月规律线及预设月工作量增比来对所述时间区间的工作量进行预测。在一实施例中，所述预测模块102获取所述历史工作量数据并对所述历史工作量数据进行分析，以剔除出异常数据，并根据剔除异常数据后的历史工作量数据计算出以月为维度的月规律线，再根据所述月规律线及预设月工作量增比来对所述时间区间的工作量进行预测。举例而言，所述预测模块102可以通过以下步骤实现月工作量的预测，步骤a1：将历史1年度的每月的工作量数据进行累加求和；步骤a2：以该年度中每月序号(1,2,...12)为维度，统计每月的工作量数据；步骤a3：对步骤a2所得每月的工作量数据求平均值；步骤a4：将步骤a2所得结果值除以步骤a3所得结果值，得到该历史年度内每月在该年度的占比，进而可得到月规律线；步骤a5：根据月规律线及预期月工作量增比来对月工作量进行预测。其中所述月工作量可以通过以下公司进行预测计算：月工作量＝(∑月规律线)/月天数数量*月工作量增比。为了提高预测的工作量的准确性，所述预测模块102还用于获取多个历史时间区间的预测工作量与实际工作量，以得到实际工作量矩阵及预测工作量矩阵，并将同一时间区间的预测工作量矩阵与实际工作量矩阵进行相减，并对相减运算后得到的多个矩阵求平均值得到一系数调整矩阵，最后根据所述系数调整矩阵对前述预测得到的工作量进行修正。在一实施方式中，所述预测模块102将所述系数调整矩阵的转置矩阵与初始预测得到的工作量进行乘法运算，进而得到更加准确的预测工作量。举例而言，所述预测模块102可以通过以下步骤实现对初始预测得到的工作量进行修正，步骤b1：设置时间区间为n天、抽样间隔为m(m可以以小时为单位)；步骤b2：对当前时间的前一个时间区间历史的实际工作量进行采样，得到实际工作量的n×m采样数据矩阵；步骤b3：对当前时间的前一个时间区间的预测工作量进行采样，得到预测工作量的n×m采样数据矩阵；步骤b4：对当前时间的下一个时间区间的预测工作量进行采样，得到下一预测工作量的n×m采样数据矩阵；步骤b5：比较时间周期t内抽样点的工作量数据，并将步骤b2和步骤b3中的实际工作量数据矩阵和预测工作量数据矩阵的结果相减，得到一个系数调整矩阵；步骤b6：将步骤b4中得到的下一预测工作量数据矩阵乘以此系数调整矩阵的转置矩阵，作为修正后的预测工作量。在一实施方式中，当设置有多个时间区间且每一时间区间均为n天时(例如一季度的n天，二季度的n天，三季度的n天)，可以分别重复上述步骤b1-b4，在步骤b5中可分别得到与每一时间区间对应的一系数调整矩阵，再对每一系数调整矩阵求平均值得到一均值系数调整矩阵，最后可根据所述均值系数调整矩阵对预测得到的工作量进行修正。在一实施方式中，所述预测模块102还可以获取多个历史时间区间的员工实际忙闲比及员工预测忙闲比，以得到多个实际忙闲比矩阵及多个预测忙闲比矩阵，并将同一时间区间的实际忙闲比矩阵与预测忙闲比矩阵进行相减，并对相减运算后得到的多个矩阵求平均值得到一系数调整矩阵，最后再根据所述系数调整矩阵对预测得到的工作量进行修正。举例而言，所述预测模块102可以通过以下步骤实现对初始预测得到的工作量进行修正，步骤b1：设置时间区间为n天、抽样间隔为m(m可以以小时为单位)；步骤b2：对当前时间的前一个时间区间历史的实际忙闲比进行采样，得到实际忙闲比的n×m采样数据矩阵；步骤b3：对当前时间的前一个时间区间的预测忙闲比进行采样，得到预测忙闲比的n×m采样数据矩阵；步骤b4：对当前时间的下一个时间区间的预测工作量进行采样，得到下一预测工作量的n×m采样数据矩阵；步骤b5：比较时间周期t内抽样点的忙闲比数据，并将步骤b2和步骤b3中的实际忙闲比数据矩阵和预测忙闲比数据矩阵的结果相减，得到一个系数调整矩阵；步骤b6：将步骤b4中得到的下一预测工作量数据矩阵乘以此系数调整矩阵的转置矩阵，作为修正后的预测工作量。在一实施方式中，当设置有多个时间区间且每一时间区间均为n天时(例如一季度的n天，二季度的n天，三季度的n天)，可以分别重复上述步骤b1-b4，在步骤b5中可分别得到与每一时间区间对应的一系数调整矩阵，再对每一系数调整矩阵求平均值得到一均值系数调整矩阵，最后可根据所述均值系数调整矩阵对预测得到的工作量进行修正。所述计算模块103用于根据所预测得到的工作量及人力日基准工作量计算需求人力。在一实施方式中，所述计算模块103可以将预测得到的工作量与一人力日基准工作量进行除法运算来计算需求人力，所述需求人力可以通过以下公式计算得到：需求人力＝预测得到的工作量/人力日基准工作量。在一实施方式中，所述计算模块103用于根据所预测得到的工作量、所述人力日基准工作量及一期望的工作效率来计算所述需求人力。工作效率的基准值为100％。所述期望的工作效率可以是110％、105％等。所述需求人力还可以通过以下公式计算得到：需求人力＝预测得到的工作量/(人力日基准工作量*期望的工作效率)。所述生成模块104用于根据所述需求人力及预设约束条件在所述设定的工作日内进行排班，并生成排班表。其中，所述预设约束条件包括以下一种条件或者多种条件的组合：班次的时长、总休息天数、连续上班天数、总工时均衡、班次之间的时间间隔、同组人员同班次。在一实施方式中，所述预设约束条件可以被分为硬约束条件和软约束条件。所述硬约束条件可以是指排班时必须考虑的约束条件，所述软约束条件可以是指排班时可以选择考虑的约束条件。所述硬约束条件可以包括排班周期内休息总天数限制、轮换规则、连续上班天数限制、排班周期内总工时要求、每天各时段安排的排班人员不得超出总待排班人员数量等。所述软约束条件可以包括待排班的个性化喜好、法定假日班、夜班等残酷班的均衡、周末班的均衡、双休次数的均衡、同班组人员同上或同下、避免急转班等。通过上述程序模块101-104，本发明所提出的排班程序100，首先，根据预设日期策略设定一时间区间的休息日和工作日；其次，获取历史工作量数据并根据所述历史工作量数据对所述时间区间的工作量进行预测；再者，根据所预测得到的工作量及人力日基准工作量计算需求人力；最后，根据所述需求人力及预设约束条件在所述设定的工作日内进行排班，并生成排班表。这样，可以实现对各地区、各团队进行灵活管理，各团队亦可根据实际需要灵活调整工作安排，适用不同区域的不同团队要求，在排班过程中能满足员工个性化需求，保证排班的公平性，提高了员工的工作效率，且排班程序的前端交互可给予员工简洁大方使用感。参阅图3所示，是本发明排班程序100第二实施例的程序模块图。本实施例中，所述排班程序100包括一系列的存储于存储器11上的计算机程序指令，当该计算机程序指令被处理器12执行时，可以实现本发明各实施例的排班操作。在一些实施例中，基于该计算机程序指令各部分所实现的特定的操作，排班程序100可以被划分为一个或多个模块。例如，在图3中，排班程序100可以被分割成设定模块101、预测模块102、计算模块103、生成模块104及记录模块105。所述各程序模块101-104与本发明排班程序100第一实施例相同，并在此基础上增加记录模块105。其中：所述设定模块101用于根据预设日期策略设定一时间区间的休息日和工作日。在一实施例中，所述时间区间的长短可以根据实际需要进行设定，例如所述时间区间可以是一个月、二个月、三个月等。不同区域、不同团队可制定有不同的所述预设日期策略。所述预设日期策略中可以设定休息日和工作日，可以根据团队的实际需求通过所述预设日期策略对工作日和休息日进行自由的设定。所述休息日可以是默认的法定休息日和选定休息日。所述选定休息日可以是任意被选定的日期，可由团队在制定所述预设日期策略的时候，根据自身需求自行选定。各团队内部的调休可以被设定成选定休息日。未被设定为休息日的日期，即被作为所述工作日。通过所述预设日期策略可以明确了解哪些日期为所述工作日，哪些日期为所述休息日，并可进行实时调整。所述设定模块101设定的所述时间区间的休息日和工作日均需大于基准休息日天数和工作日天数，从而避免工作日的天数设定太多或者太少。举例而言，若所述时间区间为一个月，对应的基准工作日天数为20天，则所述设定模块101设定的月工作日天数应大于20天。所述预测模块102用于获取历史工作量数据并根据所述历史工作量数据对所述时间区间的工作量进行预测。在一实施例中，所述预测模块102获取历史工作量数据并根据所述历史工作量数据计算出以月为维度的月规律线，并根据所述月规律线及预设月工作量增比来对所述时间区间的工作量进行预测。在一实施例中，所述预测模块102获取所述历史工作量数据并对所述历史工作量数据进行分析，以剔除出异常数据，并根据剔除异常数据后的历史工作量数据计算出以月为维度的月规律线，再根据所述月规律线及预设月工作量增比来对所述时间区间的工作量进行预测。举例而言，所述预测模块102可以通过以下步骤实现月工作量的预测，步骤a1：将历史1年度的每月的工作量数据进行累加求和；步骤a2：以该年度中每月序号(1,2,...12)为维度，统计每月的工作量数据；步骤a3：对步骤a2所得每月的工作量数据求平均值；步骤a4：将步骤a2所得结果值除以步骤a3所得结果值，得到该历史年度内每月在该年度的占比，进而可得到月规律线；步骤a5：根据月规律线及预期月工作量增比来对月工作量进行预测。其中所述月工作量可以通过以下公司进行预测计算：月工作量＝(∑月规律线)/月天数数量*月工作量增比。为了提高预测的工作量的准确性，所述预测模块102还用于获取多个历史时间区间的预测工作量与实际工作量，以得到实际工作量矩阵及预测工作量矩阵，并将同一时间区间的预测工作量矩阵与实际工作量矩阵进行相减，并对相减运算后得到的多个矩阵求平均值得到一系数调整矩阵，最后根据所述系数调整矩阵对前述预测得到的工作量进行修正。在一实施方式中，所述预测模块102将所述系数调整矩阵的转置矩阵与初始预测得到的工作量进行乘法运算，进而得到更加准确的预测工作量。举例而言，所述预测模块102可以通过以下步骤实现对初始预测得到的工作量进行修正，步骤b1：设置时间区间为n天、抽样间隔为m(m可以以小时为单位)；步骤b2：对当前时间的前一个时间区间历史的实际工作量进行采样，得到实际工作量的n×m采样数据矩阵；步骤b3：对当前时间的前一个时间区间的预测工作量进行采样，得到预测工作量的n×m采样数据矩阵；步骤b4：对当前时间的下一个时间区间的预测工作量进行采样，得到下一预测工作量的n×m采样数据矩阵；步骤b5：比较时间周期t内抽样点的工作量数据，并将步骤b2和步骤b3中的实际工作量数据矩阵和预测工作量数据矩阵的结果相减，得到一个系数调整矩阵；步骤b6：将步骤b4中得到的下一预测工作量数据矩阵乘以此系数调整矩阵的转置矩阵，作为修正后的预测工作量。在一实施方式中，当设置有多个时间区间且每一时间区间均为n天时(例如一季度的n天，二季度的n天，三季度的n天)，可以分别重复上述步骤b1-b4，在步骤b5中可分别得到与每一时间区间对应的一系数调整矩阵，再对每一系数调整矩阵求平均值得到一均值系数调整矩阵，最后可根据所述均值系数调整矩阵对预测得到的工作量进行修正。在一实施方式中，所述预测模块102还可以获取多个历史时间区间的员工实际忙闲比及员工预测忙闲比，以得到多个实际忙闲比矩阵及多个预测忙闲比矩阵，并将同一时间区间的实际忙闲比矩阵与预测忙闲比矩阵进行相减，并对相减运算后得到的多个矩阵求平均值得到一系数调整矩阵，最后再根据所述系数调整矩阵对预测得到的工作量进行修正。举例而言，所述预测模块102可以通过以下步骤实现对初始预测得到的工作量进行修正，步骤b1：设置时间区间为n天、抽样间隔为m(m可以以小时为单位)；步骤b2：对当前时间的前一个时间区间历史的实际忙闲比进行采样，得到实际忙闲比的n×m采样数据矩阵；步骤b3：对当前时间的前一个时间区间的预测忙闲比进行采样，得到预测忙闲比的n×m采样数据矩阵；步骤b4：对当前时间的下一个时间区间的预测工作量进行采样，得到下一预测工作量的n×m采样数据矩阵；步骤b5：比较时间周期t内抽样点的忙闲比数据，并将步骤b2和步骤b3中的实际忙闲比数据矩阵和预测忙闲比数据矩阵的结果相减，得到一个系数调整矩阵；步骤b6：将步骤b4中得到的下一预测工作量数据矩阵乘以此系数调整矩阵的转置矩阵，作为修正后的预测工作量。在一实施方式中，当设置有多个时间区间且每一时间区间均为n天时(例如一季度的n天，二季度的n天，三季度的n天)，可以分别重复上述步骤b1-b4，在步骤b5中可分别得到与每一时间区间对应的一系数调整矩阵，再对每一系数调整矩阵求平均值得到一均值系数调整矩阵，最后可根据所述均值系数调整矩阵对预测得到的工作量进行修正。所述计算模块103用于根据所预测得到的工作量及人力日基准工作量计算需求人力。在一实施方式中，所述计算模块103可以将预测得到的工作量与一人力日基准工作量进行除法运算来计算需求人力，所述需求人力可以通过以下公式计算得到：需求人力＝预测得到的工作量/人力日基准工作量。在一实施方式中，所述计算模块103用于根据所预测得到的工作量、所述人力日基准工作量及一期望的工作效率来计算所述需求人力。工作效率的基准值为100％。所述期望的工作效率可以是110％、105％等。所述需求人力还可以通过以下公式计算得到：需求人力＝预测得到的工作量/(人力日基准工作量*期望的工作效率)。所述生成模块104用于根据所述需求人力及预设约束条件在所述设定的工作日内进行排班，并生成排班表。其中，所述预设约束条件包括以下一种条件或者多种条件的组合：班次的时长、总休息天数、连续上班天数、总工时均衡、班次之间的时间间隔、同组人员同班次。在一实施方式中，所述预设约束条件可以被分为硬约束条件和软约束条件。所述硬约束条件可以是指排班时必须考虑的约束条件，所述软约束条件可以是指排班时可以选择考虑的约束条件。所述硬约束条件可以包括排班周期内休息总天数限制、轮换规则、连续上班天数限制、排班周期内总工时要求、每天各时段安排的排班人员不得超出总待排班人员数量等。所述软约束条件可以包括待排班的个性化喜好、法定假日班、夜班等残酷班的均衡、周末班的均衡、双休次数的均衡、同班组人员同上或同下、避免急转班等。所述记录模块105用于根据所述排班表对每一被排班的员工的出勤与工作信息进行记录，以输出排班遵循度报表。在一实施方式中，所述排班遵循度报表在展示员工排班遵循度上可以分成两个图标进行展示。其中一个图标可用于展示员工一天的工作状态，另一个图标可用于展示员工的出勤异常信息。在查看员工排班遵循度信息时，可以根据现场、团队、指定员工方式进行查看，而且可以导出相应的报表信息。所述报表信息可以包括现场、团队、个人的日遵循度报表/月遵循度报表、异常出勤报表等。通过上述程序模块101-105，本发明所提出的排班程序100，首先，根据预设日期策略设定一时间区间的休息日和工作日；其次，获取历史工作量数据并根据所述历史工作量数据对所述时间区间的工作量进行预测；再者，根据所预测得到的工作量及人力日基准工作量计算需求人力；再者，根据所述需求人力及预设约束条件在所述设定的工作日内进行排班，并生成排班表；最后，根据所述排班表对每一被排班的员工的出勤与工作信息进行记录，以输出排班遵循度报表。这样，可以实现对各地区、各团队进行灵活管理，各团队亦可根据实际需要灵活调整工作安排，适用不同区域的不同团队要求，在排班过程中能满足员工个性化需求，保证排班的公平性，提高了员工的工作效率，且排班程序的前端交互可给予员工简洁大方使用感。此外，本发明还提出一种排班方法。参阅图4所示，是本发明排班方法第一实施例的实施流程示意图。在本实施例中，根据不同的需求，图4所示的流程图中的步骤的执行顺序可以改变，某些步骤可以省略。步骤s400，根据预设日期策略设定一时间区间的休息日和工作日。在一实施例中，所述时间区间的长短可以根据实际需要进行设定，例如所述时间区间可以是一个月、二个月、三个月等。不同区域、不同团队可制定有不同的所述预设日期策略。所述预设日期策略中可以设定休息日和工作日，可以根据团队的实际需求通过所述预设日期策略对工作日和休息日进行自由的设定。所述休息日可以是默认的法定休息日和选定休息日。所述选定休息日可以是任意被选定的日期，可由团队在制定所述预设日期策略的时候，根据自身需求自行选定。各团队内部的调休可以被设定成选定休息日。未被设定为休息日的日期，即被作为所述工作日。通过所述预设日期策略可以明确了解哪些日期为所述工作日，哪些日期为所述休息日，并可进行实时调整。设定的所述时间区间的休息日和工作日均需大于基准休息日天数和工作日天数，从而避免工作日的天数设定太多或者太少。举例而言，若所述时间区间为一个月，对应的基准工作日天数为20天，则所设定的月工作日天数应大于20天。步骤s402，获取历史工作量数据并根据所述历史工作量数据对所述时间区间的工作量进行预测。在一实施例中，获取历史工作量数据并根据所述历史工作量数据计算出以月为维度的月规律线，并根据所述月规律线及预设月工作量增比来对所述时间区间的工作量进行预测。在一实施例中，获取所述历史工作量数据并对所述历史工作量数据进行分析，以剔除出异常数据，并根据剔除异常数据后的历史工作量数据计算出以月为维度的月规律线，再根据所述月规律线及预设月工作量增比来对所述时间区间的工作量进行预测。举例而言，可以通过以下步骤实现月工作量的预测，步骤a1：将历史1年度的每月的工作量数据进行累加求和；步骤a2：以该年度中每月序号(1,2,...12)为维度，统计每月的工作量数据；步骤a3：对步骤a2所得每月的工作量数据求平均值；步骤a4：将步骤a2所得结果值除以步骤a3所得结果值，得到该历史年度内每月在该年度的占比，进而可得到月规律线；步骤a5：根据月规律线及预期月工作量增比来对月工作量进行预测。其中所述月工作量可以通过以下公司进行预测计算：月工作量＝(∑月规律线)/月天数数量*月工作量增比。为了提高预测的工作量的准确性，还用于获取多个历史时间区间的预测工作量与实际工作量，以得到实际工作量矩阵及预测工作量矩阵，并将同一时间区间的预测工作量矩阵与实际工作量矩阵进行相减，并对相减运算后得到的多个矩阵求平均值得到一系数调整矩阵，最后根据所述系数调整矩阵对前述预测得到的工作量进行修正。在一实施方式中，将所述系数调整矩阵的转置矩阵与初始预测得到的工作量进行乘法运算，进而得到更加准确的预测工作量。举例而言，可以通过以下步骤实现对初始预测得到的工作量进行修正，步骤b1：设置时间区间为n天、抽样间隔为m(m可以以小时为单位)；步骤b2：对当前时间的前一个时间区间历史的实际工作量进行采样，得到实际工作量的n×m采样数据矩阵；步骤b3：对当前时间的前一个时间区间的预测工作量进行采样，得到预测工作量的n×m采样数据矩阵；步骤b4：对当前时间的下一个时间区间的预测工作量进行采样，得到下一预测工作量的n×m采样数据矩阵；步骤b5：比较时间周期t内抽样点的工作量数据，并将步骤b2和步骤b3中的实际工作量数据矩阵和预测工作量数据矩阵的结果相减，得到一个系数调整矩阵；步骤b6：将步骤b4中得到的下一预测工作量数据矩阵乘以此系数调整矩阵的转置矩阵，作为修正后的预测工作量。在一实施方式中，当设置有多个时间区间且每一时间区间均为n天时(例如一季度的n天，二季度的n天，三季度的n天)，可以分别重复上述步骤b1-b4，在步骤b5中可分别得到与每一时间区间对应的一系数调整矩阵，再对每一系数调整矩阵求平均值得到一均值系数调整矩阵，最后可根据所述均值系数调整矩阵对预测得到的工作量进行修正。在一实施方式中，还可以获取多个历史时间区间的员工实际忙闲比及员工预测忙闲比，以得到多个实际忙闲比矩阵及多个预测忙闲比矩阵，并将同一时间区间的实际忙闲比矩阵与预测忙闲比矩阵进行相减，并对相减运算后得到的多个矩阵求平均值得到一系数调整矩阵，最后再根据所述系数调整矩阵对预测得到的工作量进行修正。举例而言，所述预测模块102可以通过以下步骤实现对初始预测得到的工作量进行修正，步骤b1：设置时间区间为n天、抽样间隔为m(m可以以小时为单位)；步骤b2：对当前时间的前一个时间区间历史的实际忙闲比进行采样，得到实际忙闲比的n×m采样数据矩阵；步骤b3：对当前时间的前一个时间区间的预测忙闲比进行采样，得到预测忙闲比的n×m采样数据矩阵；步骤b4：对当前时间的下一个时间区间的预测工作量进行采样，得到下一预测工作量的n×m采样数据矩阵；步骤b5：比较时间周期t内抽样点的忙闲比数据，并将步骤b2和步骤b3中的实际忙闲比数据矩阵和预测忙闲比数据矩阵的结果相减，得到一个系数调整矩阵；步骤b6：将步骤b4中得到的下一预测工作量数据矩阵乘以此系数调整矩阵的转置矩阵，作为修正后的预测工作量。在一实施方式中，当设置有多个时间区间且每一时间区间均为n天时(例如一季度的n天，二季度的n天，三季度的n天)，可以分别重复上述步骤b1-b4，在步骤b5中可分别得到与每一时间区间对应的一系数调整矩阵，再对每一系数调整矩阵求平均值得到一均值系数调整矩阵，最后可根据所述均值系数调整矩阵对预测得到的工作量进行修正。步骤s404，根据所预测得到的工作量及人力日基准工作量计算需求人力。在一实施方式中，可以将预测得到的工作量与一人力日基准工作量进行除法运算来计算需求人力，所述需求人力可以通过以下公式计算得到：需求人力＝预测得到的工作量/人力日基准工作量。在一实施方式中，用于根据所预测得到的工作量、所述人力日基准工作量及一期望的工作效率来计算所述需求人力。工作效率的基准值为100％。所述期望的工作效率可以是110％、105％等。所述需求人力还可以通过以下公式计算得到：需求人力＝预测得到的工作量/(人力日基准工作量*期望的工作效率)。步骤s406，根据所述需求人力及预设约束条件在所述设定的工作日内进行排班，并生成排班表。其中，所述预设约束条件包括以下一种条件或者多种条件的组合：班次的时长、总休息天数、连续上班天数、总工时均衡、班次之间的时间间隔、同组人员同班次。在一实施方式中，所述预设约束条件可以被分为硬约束条件和软约束条件。所述硬约束条件可以是指排班时必须考虑的约束条件，所述软约束条件可以是指排班时可以选择考虑的约束条件。所述硬约束条件可以包括排班周期内休息总天数限制、轮换规则、连续上班天数限制、排班周期内总工时要求、每天各时段安排的排班人员不得超出总待排班人员数量等。所述软约束条件可以包括待排班的个性化喜好、法定假日班、夜班等残酷班的均衡、周末班的均衡、双休次数的均衡、同班组人员同上或同下、避免急转班等。通过上述步骤s400-s406，本发明所提出的排班方法，首先，根据预设日期策略设定一时间区间的休息日和工作日；其次，获取历史工作量数据并根据所述历史工作量数据对所述时间区间的工作量进行预测；再者，根据所预测得到的工作量及人力日基准工作量计算需求人力；最后，根据所述需求人力及预设约束条件在所述设定的工作日内进行排班，并生成排班表。这样，可以实现对各地区、各团队进行灵活管理，各团队亦可根据实际需要灵活调整工作安排，适用不同区域的不同团队要求，在排班过程中能满足员工个性化需求，保证排班的公平性，提高了员工的工作效率，且排班程序的前端交互可给予员工简洁大方使用感。参阅图5所示，是本发明排班方法第二实施例的实施流程示意图。在本实施例中，根据不同的需求，图5所示的流程图中的步骤的执行顺序可以改变，某些步骤可以省略。步骤s500，根据预设日期策略设定一时间区间的休息日和工作日。在一实施例中，所述时间区间的长短可以根据实际需要进行设定，例如所述时间区间可以是一个月、二个月、三个月等。不同区域、不同团队可制定有不同的所述预设日期策略。所述预设日期策略中可以设定休息日和工作日，可以根据团队的实际需求通过所述预设日期策略对工作日和休息日进行自由的设定。所述休息日可以是默认的法定休息日和选定休息日。所述选定休息日可以是任意被选定的日期，可由团队在制定所述预设日期策略的时候，根据自身需求自行选定。各团队内部的调休可以被设定成选定休息日。未被设定为休息日的日期，即被作为所述工作日。通过所述预设日期策略可以明确了解哪些日期为所述工作日，哪些日期为所述休息日，并可进行实时调整。设定的所述时间区间的休息日和工作日均需大于基准休息日天数和工作日天数，从而避免工作日的天数设定太多或者太少。举例而言，若所述时间区间为一个月，对应的基准工作日天数为20天，则所设定的月工作日天数应大于20天。步骤s502，获取历史工作量数据并根据所述历史工作量数据对所述时间区间的工作量进行预测。在一实施例中，获取历史工作量数据并根据所述历史工作量数据计算出以月为维度的月规律线，并根据所述月规律线及预设月工作量增比来对所述时间区间的工作量进行预测。在一实施例中，获取所述历史工作量数据并对所述历史工作量数据进行分析，以剔除出异常数据，并根据剔除异常数据后的历史工作量数据计算出以月为维度的月规律线，再根据所述月规律线及预设月工作量增比来对所述时间区间的工作量进行预测。举例而言，可以通过以下步骤实现月工作量的预测，步骤a1：将历史1年度的每月的工作量数据进行累加求和；步骤a2：以该年度中每月序号(1,2,...12)为维度，统计每月的工作量数据；步骤a3：对步骤a2所得每月的工作量数据求平均值；步骤a4：将步骤a2所得结果值除以步骤a3所得结果值，得到该历史年度内每月在该年度的占比，进而可得到月规律线；步骤a5：根据月规律线及预期月工作量增比来对月工作量进行预测。其中所述月工作量可以通过以下公司进行预测计算：月工作量＝(∑月规律线)/月天数数量*月工作量增比。为了提高预测的工作量的准确性，还用于获取多个历史时间区间的预测工作量与实际工作量，以得到实际工作量矩阵及预测工作量矩阵，并将同一时间区间的预测工作量矩阵与实际工作量矩阵进行相减，并对相减运算后得到的多个矩阵求平均值得到一系数调整矩阵，最后根据所述系数调整矩阵对前述预测得到的工作量进行修正。在一实施方式中，将所述系数调整矩阵的转置矩阵与初始预测得到的工作量进行乘法运算，进而得到更加准确的预测工作量。举例而言，可以通过以下步骤实现对初始预测得到的工作量进行修正，步骤b1：设置时间区间为n天、抽样间隔为m(m可以以小时为单位)；步骤b2：对当前时间的前一个时间区间历史的实际工作量进行采样，得到实际工作量的n×m采样数据矩阵；步骤b3：对当前时间的前一个时间区间的预测工作量进行采样，得到预测工作量的n×m采样数据矩阵；步骤b4：对当前时间的下一个时间区间的预测工作量进行采样，得到下一预测工作量的n×m采样数据矩阵；步骤b5：比较时间周期t内抽样点的工作量数据，并将步骤b2和步骤b3中的实际工作量数据矩阵和预测工作量数据矩阵的结果相减，得到一个系数调整矩阵；步骤b6：将步骤b4中得到的下一预测工作量数据矩阵乘以此系数调整矩阵的转置矩阵，作为修正后的预测工作量。在一实施方式中，当设置有多个时间区间且每一时间区间均为n天时(例如一季度的n天，二季度的n天，三季度的n天)，可以分别重复上述步骤b1-b4，在步骤b5中可分别得到与每一时间区间对应的一系数调整矩阵，再对每一系数调整矩阵求平均值得到一均值系数调整矩阵，最后可根据所述均值系数调整矩阵对预测得到的工作量进行修正。在一实施方式中，还可以获取多个历史时间区间的员工实际忙闲比及员工预测忙闲比，以得到多个实际忙闲比矩阵及多个预测忙闲比矩阵，并将同一时间区间的实际忙闲比矩阵与预测忙闲比矩阵进行相减，并对相减运算后得到的多个矩阵求平均值得到一系数调整矩阵，最后再根据所述系数调整矩阵对预测得到的工作量进行修正。举例而言，所述预测模块102可以通过以下步骤实现对初始预测得到的工作量进行修正，步骤b1：设置时间区间为n天、抽样间隔为m(m可以以小时为单位)；步骤b2：对当前时间的前一个时间区间历史的实际忙闲比进行采样，得到实际忙闲比的n×m采样数据矩阵；步骤b3：对当前时间的前一个时间区间的预测忙闲比进行采样，得到预测忙闲比的n×m采样数据矩阵；步骤b4：对当前时间的下一个时间区间的预测工作量进行采样，得到下一预测工作量的n×m采样数据矩阵；步骤b5：比较时间周期t内抽样点的忙闲比数据，并将步骤b2和步骤b3中的实际忙闲比数据矩阵和预测忙闲比数据矩阵的结果相减，得到一个系数调整矩阵；步骤b6：将步骤b4中得到的下一预测工作量数据矩阵乘以此系数调整矩阵的转置矩阵，作为修正后的预测工作量。在一实施方式中，当设置有多个时间区间且每一时间区间均为n天时(例如一季度的n天，二季度的n天，三季度的n天)，可以分别重复上述步骤b1-b4，在步骤b5中可分别得到与每一时间区间对应的一系数调整矩阵，再对每一系数调整矩阵求平均值得到一均值系数调整矩阵，最后可根据所述均值系数调整矩阵对预测得到的工作量进行修正。步骤s504，根据所预测得到的工作量及人力日基准工作量计算需求人力。在一实施方式中，可以将预测得到的工作量与一人力日基准工作量进行除法运算来计算需求人力，所述需求人力可以通过以下公式计算得到：需求人力＝预测得到的工作量/人力日基准工作量。在一实施方式中，用于根据所预测得到的工作量、所述人力日基准工作量及一期望的工作效率来计算所述需求人力。工作效率的基准值为100％。所述期望的工作效率可以是110％、105％等。所述需求人力还可以通过以下公式计算得到：需求人力＝预测得到的工作量/(人力日基准工作量*期望的工作效率)。步骤s506，根据所述需求人力及预设约束条件在所述设定的工作日内进行排班，并生成排班表。其中，所述预设约束条件包括以下一种条件或者多种条件的组合：班次的时长、总休息天数、连续上班天数、总工时均衡、班次之间的时间间隔、同组人员同班次。在一实施方式中，所述预设约束条件可以被分为硬约束条件和软约束条件。所述硬约束条件可以是指排班时必须考虑的约束条件，所述软约束条件可以是指排班时可以选择考虑的约束条件。所述硬约束条件可以包括排班周期内休息总天数限制、轮换规则、连续上班天数限制、排班周期内总工时要求、每天各时段安排的排班人员不得超出总待排班人员数量等。所述软约束条件可以包括待排班的个性化喜好、法定假日班、夜班等残酷班的均衡、周末班的均衡、双休次数的均衡、同班组人员同上或同下、避免急转班等。步骤s508，根据所述排班表对每一被排班的员工的出勤与工作信息进行记录，以输出排班遵循度报表。在一实施方式中，所述排班遵循度报表在展示员工排班遵循度上可以分成两个图标进行展示。其中一个图标可用于展示员工一天的工作状态，另一个图标可用于展示员工的出勤异常信息。在查看员工排班遵循度信息时，可以根据现场、团队、指定员工方式进行查看，而且可以导出相应的报表信息。所述报表信息可以包括现场、团队、个人的日遵循度报表/月遵循度报表、异常出勤报表等。通过上述步骤s500-s508，本发明所提出的排班方法，首先，根据预设日期策略设定一时间区间的休息日和工作日；其次，获取历史工作量数据并根据所述历史工作量数据对所述时间区间的工作量进行预测；再者，根据所预测得到的工作量及人力日基准工作量计算需求人力；再者，根据所述需求人力及预设约束条件在所述设定的工作日内进行排班，并生成排班表；最后，根据所述排班表对每一被排班的员工的出勤与工作信息进行记录，以输出排班遵循度报表。这样，可以实现对各地区、各团队进行灵活管理，各团队亦可根据实际需要灵活调整工作安排，适用不同区域的不同团队要求，在排班过程中能满足员工个性化需求，保证排班的公平性，提高了员工的工作效率，且排班程序的前端交互可给予员工简洁大方使用感。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的
技术领域：
，均同理包括在本发明的专利保护范围内。当前第1页12